消除视频心冲击信号运动噪声的非接触式视心率检测方法技术

本发明专利技术公开了一种消除视频心冲击信号运动噪声的非接触式视心率检测方法，其步骤包括：首先获取面部感兴趣区域以及该区域内的特征点，再采用追踪算法得到特征点的横向以及纵向坐标运动轨迹信号，分别构成两个集合，然后通过两步典型相关分析去除刚性及非刚性运动噪声，再从第二步典型相关分析得到的典型相关变量中筛选出脉冲信号，采用功率谱分析的方法从脉冲信号中提取心率，最后根据心率连续性将异常的心率值找出并用正确的心率值替换。本发明专利技术能够去除刚性和刚性运动噪声的干扰，从而提高非接触式视频心率检测的准确性。

【技术实现步骤摘要】
消除视频心冲击信号运动噪声的非接触式视心率检测方法
本专利技术属于生物医学信号处理的
，尤其涉及一种消除视频心冲击信号运动噪声的非接触式心率检测方法。
技术介绍
心率作为人体重要生理参数之一，它的长期检测对心血管疾病的早期预防、临床诊断，以及对人类健康的监护都具有重大的意义。传统的临床心率检测手段需要相关设备如心电图机的电极或其他传感器与人体接触，容易导致身体不适，不适用于一些特殊体质如皮肤敏感体质，也不适用于婴幼儿或烧伤患者，而非接触式心率检测方法能够克服传统接触式方法的这些不足。基于视频的心率检测方法是近年来越来越受关注的一种非接触式心率检测方法，这种方法通过处理受试者视频进行心率检测，目前，基于视频的非接触式心率检测方法有两种，一种是成像式光学容积描记术(imagingphotoplethysmography，iPPG)又称远程光电容积描记技术(remotephotoplethysmography，rPPG)，另一种是成像式心冲击描记术(imagingballistocardiography，iBCG)。心冲击描记术(ballistocardiography，BCG)的原理是心脏周期活动过程中血液在人体内部流动造成人体轻微的机械运动，而iBCG则是通过视频捕捉人体头部这种轻微的机械运动，得到信号称之为视频心冲击信号，然后采用数字信号处理技术以及数据分析技术来得到心率。这种技术于2013年由Balakrishnan等人提出，他们将视频序列第一帧图像确定的特征点通过追踪算法得到特征点纵向运动轨迹信号，然后通过带通滤波以及主成分分析方法进行降维，最后从前五个主成分中筛选出包含心率信息的脉冲信号。他们的方法没有考虑到运动噪声的干扰，如：刚性运动(自主头部运动)或非刚性运动(面部表情)的干扰。由于心脏周期性活动引起头部的轻微机械运动相对于刚性运动或非刚性运动是非常微弱的，因此，如何消除运动噪声的干扰是从视频新冲击信号中得到准确心率的一个挑战。
技术实现思路
本专利技术是为解决上述技术所存在的不足，提供了一种基于视频的非接触式检测心率中去除运动噪声的方法，以期能够去除刚性和刚性运动噪声的干扰，从而提高非接触式视频心率检测的准确性。本专利技术为解决技术问题采用如下技术方案：本专利技术一种消除视频心冲击信号运动噪声的非接触式视心率检测方法的特点是按照如下步骤进行：步骤1：获取受试者的T帧视频数据，分为L份，每份有t帧视频图像；步骤2：对于第l份t帧视频图像，采用人脸检测方法以及人脸比例划分方法在第一帧视频图像中获得第l份I个面部感兴趣区域；1≤l≤L；对于第l份第i个面部感兴趣区域通过特征点获取算法得到第l份第i个面部感兴趣区域的若干个特征点，1≤i≤I；步骤3、根据第l份第一帧视频图像的第i个面部感兴趣区域的若干个特征点，采用追踪算法获得第l份t帧视频图像的各个特征点对应的横向以及纵向运动轨迹信号的两个输入信号数据集，并删除异常特征点所对应的运动轨迹后，得到第l份第i个面部感兴趣区域的处理后的两个输入信号数据集和T为矩阵的转置，其中，为第l份第i个面部感兴趣区域的t帧视频图像的第n个特征点横向运动轨迹，为第l份第i个面部感兴趣区域的t帧视频图像的第n个特征点纵向运动轨迹，1≤n≤N；步骤4：对第l份第i个面部感兴趣区域的处理后的两个输入信号数据集Xli(t)以及Yli(t)进行典型相关分析，得到第l份第i个面部感兴趣区域的两个混合矩阵Ali、Bli以及两个典型相关变量矩阵其中，表示第l份第i个面部感兴趣区域中构成横向运动轨迹的第n个典型相关变量，表示第l份第i个面部感兴趣区域中构成纵向运动轨迹的第n个典型相关变量，1≤n≤N；步骤5：令k＝1,2,...,N-1，从而依次将中k个典型相关变量置“0”，并分别通过所述混合矩阵Ali重构第l份第i个面部感兴趣区域的N-1个纵向运动轨迹信号矩阵，其中，第l份第i个面部感兴趣区域的第k个纵向运动轨迹信号矩阵记为是第l份第i个面部感兴趣区域的前k个典型相关变量置“0”后第n个特征点重构的纵向运动轨迹信号；计算第l份t帧视频图像的第1个特征点横向运动轨迹与前k个典型相关变量置“0”后第1个特征点的相关系数从而得到第l份第i个面部感兴趣区域的相关系数矩阵寻找第l份第i个面部感兴趣区域的相关系数矩阵Rli的拐点，从而确定拐点所对应的最佳去噪重构参数qli；步骤6：计算第l份t帧视频图像的第n个特征点纵向运动轨迹的方差并取所有方差的平均值SDli，将平均值SDli与阈值sd比较，若高于阈值sd，则判定受试者有刚性运动，然后根据所述最佳去噪重构参数qli，将第l份的N-1个纵向运动轨迹信号矩阵中第qli个纵向运动轨迹信号矩阵作为去除运动噪声后的纵向运动轨迹信号矩阵；若低于阈值sd，则将第l份的N-1个纵向运动轨迹信号矩阵中的第1个纵向运动轨迹信号矩阵作为去除噪声的纵向运动轨迹信号矩阵；步骤7：对所述第qli个纵向运动轨迹信号矩阵或第1个纵向运动轨迹信号矩阵进行去趋势以及带通滤波预处理，再采用主成分分析方法进行降维处理，并取前m个主成分，从而得到第l份第i个面部感兴趣区域的主成分数据集其中是第l份第i个面部感兴趣区域得到的第j个主成分；步骤8：采用典型相关分析处理所述主成分数据集Pli(t)，得到第l份第i个面部感兴趣区域的源信号候选集其中，是第l份第i个面部感兴趣区域的第j个候选信号；步骤9：计算第l份中每个面部感兴趣区域第j个候选信号的功率谱，将主频与二倍主频能量占比总能量最大的信号作为脉冲信号，并由所述脉冲信号对应的主频值fmain，从而计算出第l份t帧视频图像的受试者平均心率值HRl＝fmain×60；步骤10：重复步骤2-步骤9，从而计算L份t帧视频图像并得到的L个心率值集合HRset＝[HR1,HR2,...,HRl,...,HRL]；步骤11：构建并初始化正常心率值索引集合IDXnor＝[1,2,...,l,...,L]；构建并初始化异常心率值索引集合IDXabnor＝[]；步骤12：计算心率值集合HRset的标准差HRsd，并与阈值HRSD比较，若计算得到的标准差小于此阈值，则认为心率值集合HRset中没有异常的心率值，反之，则认为心率值集合HRset中有异常的心率值；并执行步骤13；步骤13：计算心率值集合HRset的平均值HRmean，找出与HRmean相差最大的一个受试者平均心率值，将其序号从正常心率值索引集合IDXnor中删除，并加入异常心率的索引集合IDXabnor后，从心率值集合HRset中去除相应的受试者平均心率值；从而得到删除后的心率值集合并赋值给HRset；步骤14：重复步骤12-步骤13，直至心率值集合HRset的标准差小于HRSD为止，从而得到最终的异常心率值索引集合步骤15：对于最终的异常心率值索引集合中的任意一个索引lidx，在最终的正常心率值索引集合IDXnor中获取与索引lidx最接近的两个索引，并将心率值集合HRs本文档来自技高网...

【技术保护点】
1.一种消除视频心冲击信号运动噪声的非接触式视心率检测方法，其特征是按照如下步骤进行：/n步骤1：获取受试者的T帧视频数据，分为L份，每份有t帧视频图像；/n步骤2：对于第l份t帧视频图像，采用人脸检测方法以及人脸比例划分方法在第一帧视频图像中获得第l份I个面部感兴趣区域；1≤l≤L；/n对于第l份第i个面部感兴趣区域通过特征点获取算法得到第l份第i个面部感兴趣区域的若干个特征点，1≤i≤I；/n步骤3、根据第l份第一帧视频图像的第i个面部感兴趣区域的若干个特征点，采用追踪算法获得第l份t帧视频图像的各个特征点对应的横向以及纵向运动轨迹信号的两个输入信号数据集，并删除异常特征点所对应的运动轨迹后，得到第l份第i个面部感兴趣区域的处理后的两个输入信号数据集

【技术特征摘要】
1.一种消除视频心冲击信号运动噪声的非接触式视心率检测方法，其特征是按照如下步骤进行：
步骤1：获取受试者的T帧视频数据，分为L份，每份有t帧视频图像；
步骤2：对于第l份t帧视频图像，采用人脸检测方法以及人脸比例划分方法在第一帧视频图像中获得第l份I个面部感兴趣区域；1≤l≤L；
对于第l份第i个面部感兴趣区域通过特征点获取算法得到第l份第i个面部感兴趣区域的若干个特征点，1≤i≤I；
步骤3、根据第l份第一帧视频图像的第i个面部感兴趣区域的若干个特征点，采用追踪算法获得第l份t帧视频图像的各个特征点对应的横向以及纵向运动轨迹信号的两个输入信号数据集，并删除异常特征点所对应的运动轨迹后，得到第l份第i个面部感兴趣区域的处理后的两个输入信号数据集和T为矩阵的转置，其中，为第l份第i个面部感兴趣区域的t帧视频图像的第n个特征点横向运动轨迹，为第l份第i个面部感兴趣区域的t帧视频图像的第n个特征点纵向运动轨迹，1≤n≤N；
步骤4：对第l份第i个面部感兴趣区域的处理后的两个输入信号数据集Xli(t)以及Yli(t)进行典型相关分析，得到第l份第i个面部感兴趣区域的两个混合矩阵Ali、Bli以及两个典型相关变量矩阵其中，表示第l份第i个面部感兴趣区域中构成横向运动轨迹的第n个典型相关变量，表示第l份第i个面部感兴趣区域中构成纵向运动轨迹的第n个典型相关变量，1≤n≤N；
步骤5：令k＝1,2,...,N-1，从而依次将中k个典型相关变量置“0”，并分别通过所述混合矩阵Ali重构第l份第i个面部感兴趣区域的N-1个纵向运动轨迹信号矩阵，其中，第l份第i个面部感兴趣区域的第k个纵向运动轨迹信号矩阵记为是第l份第i个面部感兴趣区域的前k个典型相关变量置“0”后第n个特征点重构的纵向运动轨迹信号；计算第l份t帧视频图像的第1个特征点横向运动轨迹与前k个典型相关变量置“0”后第1个特征点的相关系数从而得到第l份第i个面部感兴趣区域的相关系数矩阵寻找第l份第i个面部感兴趣区域的相关系数矩阵Rli的拐点，从而确定拐点所对应的最佳去噪重构参数qli；
步骤6：计算第l份t帧视频图像的第n个特征点纵向运动轨迹的方差并取所有方差的平均值SDli，将平均值SDli与阈值sd比较，若高于阈值sd，则判定受试者有刚性运动，然后根据所述最佳去噪重构参数qli，将第l份的N-1个纵向运动轨迹信号矩阵中第qli个纵向运动轨迹信号矩阵作为去除运动噪声后的纵向运动轨迹信号矩阵；若低于阈值sd，则将第l份的N-1个纵向运动轨迹信号矩阵中的第1个纵向运动轨迹信号矩阵作为去除噪声的纵向运动轨迹信号矩阵；...

【专利技术属性】
技术研发人员：宋仁成，李吉吉，成娟，李畅，刘羽，陈勋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34